본 논문은 대규모 언어 모델(LLM)을 추천 시스템(RS)에 통합하는 최신 연구 동향을 종합적으로 조사한 논문입니다. 기존 연구들이 LLM 자체를 RS로 활용하는 데 초점을 맞춰 추론 비용 문제에 직면했던 것과 달리, 본 논문은 LLM을 추천 시스템에 통합하여 추론 속도 및 메모리 제약을 해결하는 LLM-Enhanced Recommender Systems (LLMERS)에 주목합니다. LLMERS 접근 방식을 지식 향상, 상호작용 향상, 모델 향상의 세 가지 주요 유형으로 분류하고, 각 유형에 대한 방법론, 과제 및 기여를 심층적으로 분석합니다. 또한, LLMERS 분야의 발전을 위한 유망한 연구 방향을 제시합니다. 특히, 추론 단계에서 LLM 사용을 피하는 온라인 시스템 통합 방식으로의 전환을 중요한 변화로 제시합니다.
시사점, 한계점
•
시사점:
◦
LLM을 추천 시스템에 효과적으로 통합하는 다양한 방법론을 제시하고, 그 효과와 한계를 분석함으로써 LLM 기반 추천 시스템 연구의 방향을 제시합니다.
◦
추론 단계에서 LLM 사용을 최소화하는 온라인 시스템 통합 전략의 중요성을 강조합니다.
◦
LLMERS 분야의 미래 연구 방향을 제시하여 학계 및 산업계에 중요한 시사점을 제공합니다.
◦
LLMERS를 세 가지 주요 유형으로 분류하여 체계적인 이해를 돕습니다.
•
한계점:
◦
현재까지의 연구가 상대적으로 제한적이므로, 더욱 광범위하고 심도있는 연구가 필요합니다.
◦
특정 유형의 LLMERS에 대한 편향된 연구가 존재할 가능성이 있습니다.
◦
실제 시스템에 적용 시 발생할 수 있는 문제점(예: 데이터 편향, 프라이버시 문제)에 대한 충분한 논의가 부족할 수 있습니다.
